用于极化 SAR 图像分类的新型黎曼几何稀疏表示学习网络

基于摘要分析。该研究针对极化合成孔径雷达（PolSAR）图像分类中复协方差矩阵向量化可能破坏矩阵结构与通道关系的问题，提出 Riemannian Sparse Representation Learning Network（SRSR CNN），以黎曼几何稀疏表示引导深度网络，直接处理协方差矩阵。 核心机制：PolSAR 复协方差矩阵具有 Hermitian 正定（HPD）结构。作者先构建基于超像素的 Riemannian Sparse Representation（SRSR）模型，在黎曼度量下学习稀疏特征，再将其优化过程展开为 SRSRnet，使稀疏系数与字典原子可学习；随后加入 CNN 增强模块，提取上下文高层特征。其方法价值在于结合结构化矩阵输入、几何度量与优化展开，而不是仅对向量化输入使用通用网络。 作者报告，在三个真实 PolSAR 数据集上的实验中，该方法在分类边缘细节与区域同质性方面优于所比较的先进方法。摘要未提供数据集名称、划分方式、基线名称、具体指标及数值，实验协议、消融及统计信息尚未验证，不能据此量化性能优势。 平台推测（待验证）：该机制与 EEG 协方差分类保留矩阵几何结构的需求存在对应关系，但原任务依赖图像超像素与空间上下文，不能直接等同于 EEG 的时间片段或通道结构。假设可复用黎曼几何稀疏编码及优化展开思路，将 HPD 输入适配为 EEG 实对称正定协方差矩阵，并改造超像素和 CNN 上下文模块。低信噪比、短窗协方差估计不稳定、通道变化及小样本可能削弱字典学习效果。一个可检验的小实验是在固定 Cross-subject MI 划分、仅用训练被试学习字典的前提下，比较该展开模块与黎曼几何切空间分类基线的 Balanced Accuracy，并检验几何模块的增益。已有 EEG 相关工作尚未检索确认，复现所需的具体度量、更新公式、训练配置及实现可用性仍需核对全文。